نماذج الشبكات العصبية الالتفافية للتعرّف الآلي على الأنماط الفنية: التصميم والتدريب والتقييم

الملخص

أصبح التعرّف الآلي على الأنماط الفنية باستخدام تقنيات التعلم العميق مكوّنًا أساسيًا في الجهود الحديثة لرقمنة التراث الثقافي. يقدّم هذا البحث تحليلًا مقارنًا موسّعًا لبُنى الشبكات العصبية الالتفافية (CNN)، بما في ذلك AlexNet وVGG16 وLeNet-5 وInception-v3 وEfficientNet-B0 وResNet-50، بالإضافة إلى شبكة عصبية التفافية خفيفة مخصّصة، وذلك لتطبيقها على مهمة تصنيف متعددة الفئات للأنماط الفنية. تم إنشاء مجموعة بيانات تضم 35,000 صورة منسّقة تغطي عشر مدارس فنية، جُمعت من منصة WikiArt وأرشيفات متاحة الوصول. وقد طُبِّقت إجراءات موحّدة للمعالجة المسبقة، وتعزيز البيانات، والتعلّم بالنقل لضمان العدالة وقابلية إعادة الإنتاج عبر جميع النماذج. شملت مقاييس التقييم كلًا من الدقة، ودرجة F1، ومصفوفات الالتباس، وزمن التدريب، والتكلفة الحاسوبية، ومتانة النماذج في مواجهة التداخل الأسلوبي. وتُظهر النتائج التجريبية أن النماذج العميقة مثل VGG16 وInception-v3 وResNet-50 تحقق أداءً متفوقًا في التصنيف، في حين توفّر الشبكة العصبية الالتفافية الخفيفة المخصّصة توازنًا تنافسيًا بين الدقة والكفاءة، لا سيما في البيئات ذات الموارد المحدودة. يسهم هذا العمل في تعزيز التكامل بين الإنسانيات الرقمية والذكاء الاصطناعي من خلال تقديم معيار مرجعي موحّد وإرشادات تصميم لأنظمة التحليل الفني المؤتمت.